pengenalan pola tanda tangan menggunakan … · output, telah sukses diaplikasikan pada...
Post on 06-Mar-2019
235 Views
Preview:
TRANSCRIPT
Prosiding Seminar Nasional Penelitian, Pendidikan dan Penerapan MIPA,
Fakultas MIPA, Universitas Yogyakarta, 14 Mei 2011
M-85
PENGENALAN POLA TANDA TANGAN MENGGUNAKAN METODE MOMENT
INVARIANT DAN JARINGAN SYARAF RADIAL BASIS FUNCTION (RBF)
Ainun Jariah
1 dan Mohammad Isa Irawan
2 dan Imam Mukhlash
2
1) Mahasiswa Pascasarjana Jurusan Matematika ITS Surabaya
2) Dosen Jurusan Matematika FMIPA ITS Surabaya
email : ainun09@mhs.matematika.its.ac.id
Abstrak
Jaringan syaraf tiruan Radial Basis Function (RBF) dikenal sebagai salah satu bentuk
dari jaringan syaraf Feedforward lapis banyak yang handal dalam memecahkan masalah
aproksimasi dan klasifikasi/pengenalan pola. Dalam penelitian ini JST RBF digunakan
untuk klasifikasi pola-pola tanda tangan berdasarkan output jaringan yang mempunyai
kemiripan dengan target (pemilik tanda tangan). Metode Moment Invariant digunakan
untuk mengekstraksi citra tanda tangan menjadi suatu vektor input yang merepresentasikan
setiap citra tanda tangan. Satu citra tanda tangan diwakili oleh 7 moment invariant. Hasil
klasifikasi tanda tangan yang dikenali dengan tingkat akurasi tertentu. Untuk menguji hasil
klasifikasi dilakukan uji coba. Dari hasil uji coba program menunjukkan bahwa JST RBF
dapat mengenali pola tanda tangan dengan akurasi pada data uji 80 %.
Kata kunci: Jaringan syaraf tiruan, RBF, moment invariant.
PENDAHULUAN Pengenalan pola tanda tangan merupakan salah satu bidang pengenalan pola (pattern
recognition) yang cukup berkembang dewasa ini, dimana aplikasinya dapat diterapkan dalam berbagai
bidang khususnya dalam bidang keamanan (security system) seperti izin penarikan uang di bank,
validasi cek dan sebagainya. Teknologi identifikasi untuk pengenalan pola tanda tangan termasuk di
dalam biometrika yang menggunakan karakteristik perilaku alami manusia.
Secara umum, untuk mengidentifikasi tanda tangan dapat dilakukan secara manual yaitu
dengan mencocokkan tanda tangan pada waktu transaksi dengan tanda tangan yang sah. Sistem manual
memiliki kelemahan dimana si pemeriksa tanda tangan kurang teliti dalam melakukan pencocokan.
Oleh karena itu, diperlukan sebuah metode yang mampu menganalisis karakteristik tanda tangan
sehingga mempermudah dalam mengenali tanda tangan seseorang.
Terdapat beberapa metode pengenalan tanda tangan diantaranya hidden markov dan berbasis
Jaringan Syaraf Tiruan seperti Learning Vector Quantization (LVQ) , Support Vector Machine
(SVM) . Jaringan syaraf tiruan telah digunakan secara luas dalam bidang pengenalan pola dan pada
umumnya menunjukkan kelebihan dibandingkan dengan metode-metode pembelajaran lainnya, sifat
generalisasi dan kemampuan adaptasinya, serta kekuatan khasnya dalam melakukan pemetaan secara
non-linier (Simon, 1999). Meskipun demikian pengenalan tanda tangan termasuk masalah yang sulit
dalam pengenalan pola. Hal ini disebabkan karena contoh - contoh tanda tangan seseorang adalah
identik namun tidak sama (Abbas, 1994).
Dalam paper ini, metode Radial Basis function (RBF) digunakan untuk pengenalan pola tanda
tangan . Dimana Jaringan syaraf tiruan RBF merupakan salah satu model jaringan feed-forward yang
memiliki tiga lapisan (layer), yaitu lapisan input, lapisan tersembunyi (hidden layer) dan lapisan
output, telah sukses diaplikasikan pada approksimasi fungsi, peramalan dan klasifikasi pola (Yeung,
dkk., 2009).
Ainun Jariah/Pengenalan Pola Tandatangan
M-86
Pengertian Tanda Tangan Tanda tangan adalah hasil proses menulis seseorang yang bersifat khusus sebagai substansi
simbolik. Tanda tangan merupakan bentuk yang paling banyak digunakan untuk identifikasi seseorang.
Contoh-contoh tanda tangan setiap orang umumnya identik namun tidak sama. Artinya tanda
tangan seseorang sering berubah-ubah setiap waktu. Perubahan ini menyangkut posisi, ukuran maupun
faktor tekanan tanda tangan. Pada kenyataannya, perubahan-perubahan tersebut dipengaruhi oleh
waktu, umur, kebiasaan dan keadaan mental tertentu (Abbas,1994).
Akuisisi Data Dalam penelitian ini akan digunakan citra tanda tangan untuk pelatihan (training) dan
pengujian (testing) dengan rasio 75 : 25. Untuk data pelatihan digunakan sebanyak 150 tanda tangan
yang berasal 10 responden, dimana setiap responden diambil 15 tanda tangan. Sementara untuk
kebutuhan pengujian, citra tanda tangan yang akan digunakan sebanyak 30 tanda tangan yang juga
berasal dari 10 responden tersebut dengan asumsi setiap responden diambil 3 tanda tangan.
Dari data tangan tersebut dilakukan proses preprocessing yaitu tanda tangan yang diambil
diolah terlebih dahulu untuk disamakan ukurannya dan diubah ke dalam grayscale. Pada tahap ini
dimulai dari pengambilan gambar tanda tangan pada media kertas yang dibatasi dengan kotak ukuran
4,6 x 3,6 cm kemudian dilakukan proses scanning.
Estraksi Fitur
Citra tanda tangan dari hasil scanning selanjutnya diekstraksi untuk memperoleh vektor ciri
dari setiap citra dengan ukuran dimensi yang relatif lebih kecil. Metode ekstrak yang digunakan adalah
metode Moment Invariant. Hasil yang diperoleh pada langkah ini berupa 7 nilai moment, selanjutnya
ke-7 nilai tersebut disebut hasil ekstrak citra dan digunakan sebagai vector input untuk jaringan syaraf
mewakili 1 citra tanda tangan
Momen dapat menggambarkan suatu objek dalam hal area, posisi, orientasi dan parameter
terdefinisi lainnya. Dengan mendapatkan sejumlah informasi momen, baik momen order nol ( )
dan order 1 ( dan ) atau momen sentral, dan momen pada order ≥ 2 atau momen invariant dari
sebuah obyek, maka obyek tersebut dapat diidentifikasi sekalipun telah mengalami pergeseran
(translasi), perputaran (rotasi), maupun perubahan skala (scalling) (Gonzales,2001). Pada dasarnya
suatu objek melibatkan luasan, center of gravity dan momen Untuk fungsi kontinu 2D, momen order (p
+q ) didefinisikan sebagai:
Untuk p, q = 0, 1,2,….
Secara diskrit ditulis sebagai persamaan:
p + q = 2,3…
Dengan: adalah moment sentral
adalah normalisasi moment sentral
Prosiding Seminar Nasional Penelitian, Pendidikan dan Penerapan MIPA,
Fakultas MIPA, Universitas Yogyakarta, 14 Mei 2011
M-87
Tabel 1. Moment Invariant
Gambar 1. Contoh tanda tangan yang akan diekstraksi fitur
Gambar 2. Hasil ekstraksi pada salah satu citra tanda tangan (sudut dalam satuan Radian)
Hasil Ekstrasi berupa vektor baris akan digunakan sebagai data input pada jaringan syaraf tiruan yang
telah dikonstruksi sebelumnya.
Jaringan Syaraf Tiruan Fauset (1994) menyatakan bahwa Jaringan Syaraf Tiruan (JST) atau Artificial Neural Network
adalah suatu sistem pemroses informasi yang memilki karakteristik kinerja tertentu yang mirip dengan
jaringan syaraf biologi. JST telah dikembangkan sebagai generalisasi dari model-model matematika
dari cara kerja jaringan syaraf biologis pada manusia, dengan asumsi bahwa:
a. Pemrosesan informasi terjadi pada banyak elemen-elemen sederhana yang disebut neuron.
b. Sinyal yang keluar antar neuron dihubungkan oleh suatu penghubung (sinapsis).
c. Setiap penghubung diasosiasikan dengan bobot (weight).
d. Setiap neuron menerapkan fungsi aktivasi untuk menentukan sinyal output.
Suatu jaringan syaraf selalu dikarakteristikan dengan pola koneksi antar neuron (arsitektur),
metode untuk menentukan bobotnya (Algoritma), dan fungsi aktivasi yang digunakan.
Ainun Jariah/Pengenalan Pola Tandatangan
M-88
Jaringan Radial Basis Function (RBF) Jaringan Fungsi Basis Radial (RBF) yang merupakan alternatif dari jaringan Multilayered
Feedforward Neural (MFN) telah dikembangkan. Jaringan ini terdiri dari tiga layer yaitu input layer,
hidden layer dan output layer. Fungsi aktivasinya adalah fungsi basis dan fungsi linear pada lapisan
output. Jaringan ini telah banyak digunakan secara intensif. RBF merupakan pemetaan fungsi taklinier
multidimensional yang tergantung kepada jarak antara vektor input dan vektor center. RBF dengan
input berdimensi-n dan output berdimensi-m . Adapun arsitektur dari RBFNN
sebagai berikut :
Gambar 3. Arsitektur RBFNN
Output jaringan RBF dengan kernel untuk suatu vektor input diberikan dengan persamaan
berikut:
adalah bobot yang menghubungkan kernel ke-i dengan neuron output,
dan adalah output kernel ke-i dengan persamaan Gaussian sebagai berikut:
Dengan : adalah pusat kernel ke-i dan adalah lebar.
Untuk N sampel random berbeda ( dengan dan
, RBF dengan kernel dapat dimodelkan secara matematis.
RBF standard dengan kernel dapat mengapproksimasi N sampel dengan error rata-rata
bernilai nol, , yaitu terdapat dan sedemikian sehingga:
Persamaan di atas dapat dituliskan sebagai:
Dengan:
Input Hidden layer Output layer
weights
Prosiding Seminar Nasional Penelitian, Pendidikan dan Penerapan MIPA,
Fakultas MIPA, Universitas Yogyakarta, 14 Mei 2011
M-89
H disebut matriks output pada lapisan tersembunyi, kolom ke-i dari H adalah output dari kernel ke-i
yang bersesuaian dengan input .
Algoritma pada jaringan RBF
Diberikan suatu himpunan data pelatihan dengan
adalah banyaknya neuron tersembunyi (kernel).
Langkah 1: Inisialisasi Center dan Lebar , secara random.
Langkah 2: Hitung Nilai Fungsi Gauss
Langkah 3: Nyatakan ke dalam matriks H dengan baris dan kolom.
Langkah 4: Hitung keluaran bobot β menggunakan persamaan:
dan
PEMBAHASAN Desain arsitektur Input yang digunakan sebanyak 150 neuron, hidden layer 80 neuron dan layer output 10
neuron. Hal ini dipilih karena target 150 buah tanda tangan dari 10 responden yang akan dikenali
sebagai data input, tentunya akan menghasilkan 10 informasi output yang akan diperoleh melalui 80
neuron pada layer hidden sebagai jaringan yang paling sesuai dengan banyaknya target yang akan
dicapai. Jadi dari desain arsitektur diatas diperoleh sebuah Matrik Confusion yang menunjukkan
tingkat akurasi klasifikasi/pengenalan pola tanda tangan dengan metode jaringan syaraf Radial Basis
Function.
Tabel 2. Matrik Confusion untuk data pelatihan
Dari matrik confusion di atas terlihat error (kesalahan) dari tiap-tiap pola tanda tangan. Pada pola tanda
tangan orang ke-1, ke-2, ke-3, ke-5, ke-8, ke-9, ke-10, tidak terjadi kesalahan artinya tanda tangan
dapat dikenal benar. Kemudian pada pola tanda tangan orang ke-4 kesalahan yang terjadi sebanyak 20
% artinya ada 3 pola tanda tangan yang tidak dikenal benar, yaitu dikenal sebagai pola tanda tangan
orang ke-7, pada pola tanda tangan orang ke-6 kesalahan yang terjadi sebanyak 40 % artinya ada 6 pola
tanda tangan yang tidak dikenal benar, yaitu 1 pola tanda tangan dikenal sebagai orang ke-3 dan 5 pola
Ainun Jariah/Pengenalan Pola Tandatangan
M-90
tanda tangan dikenal sebagai orang ke-4. Sedangkan pada pola tanda tangan orang ke-6 kesalahan yang
terjadi kesalahan yang terjadi sebanyak 60 % artinya ada 9 pola tanda tangan tidak dikenal benar, yaitu
8 pola tanda tangan dikenal sebagai orang ke-4 dan 1 pola tanda tangan dikenal sebagai orang ke-6.
Jadi dapat disimpulkan bahwa jaringan syaraf RBF dapat mengenali dengan benar pola tanda tangan
dengan ketepatan 88 % dan error (kesalahan) sebesar 12%.
Untuk mengetahui kemampuan jaringan RBF dalam klasifikasi/pengenalan pola tanda maka
diperlukan pengujian, yang datanya di ambil diluar data pelatihan. Tabel 3 menunjukkan matrik
confusion Jaringan RBF untuk data pengujian.
Tabel 3. Matrik Confusion untuk data uji
Pada matrik confusion di atas, dapat dilihat kesalahan pengenalan pola tanda tangan pada
masing-masing pemilik tanda tangan. Pada pola tanda tangan orang ke-1, 2 pola atau 66,7% tanda
tangan yang dapat dikenali dengan benar dan 3,3% atau 1 pola tanda tangan dikenali sebagai pola tanda
tangan orang ke-2. Pada pola tanda tangan orang ke-4, 2 pola atau 66,7% tanda tangan yang dapat
dikenali dengan benar dan 3,3% atau 1 pola tanda tangan dikenali sebagai pola tanda tangan orang ke-
7. Pada pola tanda tangan orang ke-6, 2 pola atau 66,7% tanda tangan yang dapat dikenali dengan
benar dan 3,3% atau 1 pola tanda tangan tidak dikenali benar. Jadi dapat disimpulkan jaringan RBF
dapat mengenali dengan benar pola tanda tangan dengan ketepatan 80 % dan error (kesalahan) sebesar
20%.
KESIMPULAN
Berdasarkan hasil pelatihan pada jaringan RBF, terlihat bahwa dengan menggunakan metode
RBF, error pelatihan sebesar 12% dengan akurasi klasifikasi (pengenalan) mencapai 80%. Sedangkan
untuk data pengujian error yang terjadi 20% dengan akurasi 80%.
Pola tanda tangan yang tidak dapat dikenali (error), dalam penelitian ini belum tentu
menunjukkan ketidakmampuan RBFNN dalam mengenali pola tanda tangan. Kemungkinan hal ini
disebabkan data pelatihan dan pengujian berbeda untuk setiap jenis tanda tangan yang sama. Perbedaan
ini menyangkut ukuran dan posisi dan kesalahan relatif dari semua tanda tangan yang diambil.
DAFTAR PUSTAKA
Abbas, R. 1994, A Prototype System for off-line Signature Verificationusing Multilayered
Feedforword Neural Networks. Tesis Departemen of Computer Science, RMIT.
Prosiding Seminar Nasional Penelitian, Pendidikan dan Penerapan MIPA,
Fakultas MIPA, Universitas Yogyakarta, 14 Mei 2011
M-91
Cemil, OZ., Ercal, F., Demir, Z., (2003), Signature Recognition and Verification with ANN, Third
International Conference on Electrical and Electronics Engineering, Bursa, Turkey.
Djunaidy, A. 2000, Verifikasi Tanda Tangan Berdasarkan Interpretasi Struktural dari Arah
Gerak dan Tekanan . Universitas Gunadarma.
Fausett, L., (1994). Fundamental of Neural Network architecture, Algorithms, and Applications,
Prentice-Hall, USA.
Gonzales, R.C., Richard, E.Wood., (2001), Digital image Processing, edition, Prentice_Hall.Inc.
Simon, H. (1999). Neural networks: A comprehensive foundation, New Jersey:Prentice Hall.
Yeung, D. S., Cloete, I., Shi, D. (2009). Sensitivity Analysis for Neural Networks, Springer.
top related